論文の概要: Robustifying Generalizable Implicit Shape Networks with a Tunable
Non-Parametric Model
- arxiv url: http://arxiv.org/abs/2311.12967v1
- Date: Tue, 21 Nov 2023 20:12:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 17:09:30.780452
- Title: Robustifying Generalizable Implicit Shape Networks with a Tunable
Non-Parametric Model
- Title(参考訳): 可変非パラメトリックモデルを用いたロバスト化一般化インプリシト形状ネットワーク
- Authors: Amine Ouasfi and Adnane Boukhayma
- Abstract要約: 無向点雲からの暗黙的形状再構成の一般化可能なモデルは一般化問題に悩まされる。
ここでは、これらの制限のいくつかをテスト時に緩和する効率的なメカニズムを提案する。
本稿では,本手法によるベースラインの改良と,合成データと実データを用いた最先端技術について述べる。
- 参考スコア(独自算出の注目度): 10.316008740970037
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Feedforward generalizable models for implicit shape reconstruction from
unoriented point cloud present multiple advantages, including high performance
and inference speed. However, they still suffer from generalization issues,
ranging from underfitting the input point cloud, to misrepresenting samples
outside of the training data distribution, or with toplogies unseen at
training. We propose here an efficient mechanism to remedy some of these
limitations at test time. We combine the inter-shape data prior of the network
with an intra-shape regularization prior of a Nystr\"om Kernel Ridge
Regression, that we further adapt by fitting its hyperprameters to the current
shape. The resulting shape function defined in a shape specific Reproducing
Kernel Hilbert Space benefits from desirable stability and efficiency
properties and grants a shape adaptive expressiveness-robustness trade-off. We
demonstrate the improvement obtained through our method with respect to
baselines and the state-of-the-art using synthetic and real data.
- Abstract(参考訳): feedforward generalizable model for implicit shape reconstruction from unoriented point cloudは、ハイパフォーマンスと推論速度を含む複数の利点を示している。
しかし、インプットポイントクラウドの不適合、トレーニングデータ配布外のサンプルの誤表示、あるいはトレーニング時に見つからないトポロジなど、一般化の問題に悩まされている。
ここでは,これらの制約のいくつかをテスト時に修正する効率的なメカニズムを提案する。
我々は,ネットワーク前の形状間データと,nystr\"omカーネルリッジ回帰前の形状内正規化を組み合わせることにより,そのハイパープラメータを現在の形状に適合させることにより,さらに適応する。
得られた形状関数は、再生ケルネルヒルベルト空間で定義され、望ましい安定性と効率性から恩恵を受け、形状適応的表現性-腐食性トレードオフを与える。
本稿では,本手法によるベースラインの改良と,合成データと実データを用いた最先端技術について述べる。
関連論文リスト
- Occlusion-aware Non-Rigid Point Cloud Registration via Unsupervised Neural Deformation Correntropy [25.660967523504855]
Occlusion-Aware Registration (OAR) は、非厳密に整列する点雲の教師なしの方法である。
理論解析を行い,最大コレントロピー基準と一般的なチャンファー距離の関係を確立する。
提案手法は,既存手法に比べて優れた性能,競争力を発揮する。
論文 参考訳(メタデータ) (2025-02-15T07:27:15Z) - Physics-Informed Geometric Operators to Support Surrogate, Dimension Reduction and Generative Models for Engineering Design [38.00713966087315]
本研究では,代用/分別モデルのトレーニングに供される幾何データを強化するための物理インフォームド幾何演算子(GO)のセットを提案する。
GOは形状の微分的および積分的性質を利用して、高レベルの固有幾何学的情報と物理を訓練に使用する特徴ベクトルに注入する。
論文 参考訳(メタデータ) (2024-07-10T12:50:43Z) - The Convex Landscape of Neural Networks: Characterizing Global Optima
and Stationary Points via Lasso Models [75.33431791218302]
ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。
本稿では,凸型神経回復モデルについて検討する。
定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
論文 参考訳(メタデータ) (2023-12-19T23:04:56Z) - Learning-Based Biharmonic Augmentation for Point Cloud Classification [79.13962913099378]
Biharmonic Augmentation (BA)は、新しくて効率的なデータ拡張技術である。
BAは、既存の3D構造にスムーズな非剛性変形を与えることにより、点雲データを多様化する。
本稿では,先進的なオンライン強化システムであるAdvTuneについて紹介する。
論文 参考訳(メタデータ) (2023-11-10T14:04:49Z) - Dynamic Kernel-Based Adaptive Spatial Aggregation for Learned Image
Compression [63.56922682378755]
本稿では,空間アグリゲーション機能の拡張に焦点をあて,動的カーネルベースの変換符号化を提案する。
提案したアダプティブアグリゲーションはカーネルオフセットを生成し、コンテント条件付き範囲の有効な情報をキャプチャして変換を支援する。
実験により,本手法は,最先端の学習手法と比較して,3つのベンチマークにおいて高い速度歪み性能が得られることを示した。
論文 参考訳(メタデータ) (2023-08-17T01:34:51Z) - Reduced Representation of Deformation Fields for Effective Non-rigid
Shape Matching [26.77241999731105]
変形場の縮小表現を利用して,非剛体物体間の対応を計算するための新しい手法を提案する。
ネットワークは空間(ノード)における粗い位置の変形パラメータを学習させることにより、滑らかさを保証された閉形式の連続的な変形場を再構築する。
我々のモデルは高い表現力を持ち、複雑な変形を捉えることができる。
論文 参考訳(メタデータ) (2022-11-26T16:11:17Z) - GELATO: Geometrically Enriched Latent Model for Offline Reinforcement
Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。
本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。
提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文 参考訳(メタデータ) (2021-02-22T19:42:40Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳(メタデータ) (2020-11-25T14:00:18Z) - Hamiltonian Dynamics for Real-World Shape Interpolation [66.47407593823208]
我々は3次元形状の古典的問題を再考し、ハミルトン力学に基づく新しい物理的に妥当なアプローチを提案する。
本手法は, 中間形状を正確に保存し, 自己切断を回避し, 高分解能スキャンにスケーラブルである。
論文 参考訳(メタデータ) (2020-04-10T18:38:52Z) - Deep Manifold Prior [37.725563645899584]
本稿では,3次元形状の表面などの多様体構造データに先行する手法を提案する。
この方法で生成された曲面は滑らかであり、ガウス過程を特徴とする制限的な挙動を示し、完全連結および畳み込みネットワークに対して数学的にそのような特性を導出する。
論文 参考訳(メタデータ) (2020-04-08T20:47:56Z) - Implicit Geometric Regularization for Learning Shapes [34.052738965233445]
生データから直接高忠実度暗黙的ニューラル表現を計算するための新しいパラダイムを提供する。
提案手法は,従来の手法と比較して,高い精度と忠実度を有する暗黙的ニューラル表現の状態を導出することを示す。
論文 参考訳(メタデータ) (2020-02-24T07:36:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。